基于BP神經(jīng)網(wǎng)絡(luò)的個性化多功能茶幾設(shè)計研究

陳淑鑫，李精宇，張宏斌，張輝

基于BP神經(jīng)網(wǎng)絡(luò)的個性化多功能茶幾設(shè)計研究

陳淑鑫1，李精宇1，張宏斌1，張輝2

（1.齊齊哈爾大學(xué) 機電工程學(xué)院，黑龍江 齊齊哈爾 161006；2.齊齊哈爾大學(xué) 計算機與控制工程學(xué)院，黑龍江 齊齊哈爾 161006）

通過分析消費者感性需求和多功能茶幾產(chǎn)品形態(tài)設(shè)計要素，建立二者之間回歸的聯(lián)系模型，完成多功能茶幾產(chǎn)品的個性化設(shè)計，解決茶幾產(chǎn)品無法按照用戶消費需求設(shè)計制造的難題。首先運用語義差異法獲取消費者對茶幾產(chǎn)品的感性意象評價值，并利用因子分析法對評價值進行歸納整理，其次按照茶幾產(chǎn)品設(shè)計要素對其進行模塊解構(gòu)，并對各部分模塊進行數(shù)值化編碼，再次根據(jù)整理的感性意象評價值和模塊數(shù)值訓(xùn)練茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)，建立二者間映射關(guān)系，最后實施二次語義差異法問卷實驗，驗證BP神經(jīng)網(wǎng)絡(luò)的準確性。根據(jù)訓(xùn)練的茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)可預(yù)測出感性評價值最大的茶幾產(chǎn)品造型，實驗結(jié)果驗證了茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)模型的準確性，為茶幾產(chǎn)品的個性化設(shè)計提供了有利的支撐。此方法提高了茶幾產(chǎn)品的設(shè)計效率，提升了茶幾產(chǎn)品設(shè)計的合理性，解決了家具設(shè)計者無法精準按照用戶主觀需求完成客觀產(chǎn)品設(shè)計的難題，為以消費者需求市場為導(dǎo)向的產(chǎn)品設(shè)計制造提供了有益的參考和指導(dǎo)。

感性工學(xué)；BP神經(jīng)網(wǎng)絡(luò)；產(chǎn)品設(shè)計；因子分析法；多功能茶幾

茶幾是一種盛放杯子、盤子、茶具等日常家用物件的耐用產(chǎn)品，能夠滿足人們盛放日常生活物品的使用需求[1]。隨著消費水平和文化素質(zhì)的提高，用戶越來越注重自己的個人消費需求，消費者對茶幾產(chǎn)品功能的豐富性、實用性及外觀的新穎性、獨特性等要求越來越高，因此，茶幾產(chǎn)品的個性化設(shè)計也越來越關(guān)鍵。感性工學(xué)以工學(xué)的手法，將人類的各種感性定量化，并找出感性量與工學(xué)中各物理量之間的高元函數(shù)關(guān)系，將用戶對產(chǎn)品的感性需求轉(zhuǎn)化為產(chǎn)品的設(shè)計要素，按照消費者對產(chǎn)品意象的需求精準完成產(chǎn)品的個性化設(shè)計[2]。

林麗等[3]將網(wǎng)絡(luò)爬蟲技術(shù)、文本挖掘技術(shù)、參數(shù)化轉(zhuǎn)換技術(shù)等技術(shù)融合感性工學(xué)方法，完成了從用戶意象獲取到具體產(chǎn)品設(shè)計的數(shù)字化流程，極大程度地實現(xiàn)了用戶意象無偏差設(shè)計。程永勝等[4]重點分析了品牌意象與產(chǎn)品造型的聯(lián)系，應(yīng)用德爾菲法、語義差異法建立了二者間的映射關(guān)系，探索企業(yè)用戶的需求。王飛等[5]借助均值分析法、聚類分析法等方法，構(gòu)建了以用戶喜愛標準為核心的工程拖拉機產(chǎn)品設(shè)計系統(tǒng)，為其造型優(yōu)化設(shè)計提供了有力支持。曹玫梅等[6]運用數(shù)量化理論Ⅰ類法及SD法，進行了符合殘疾、老年用戶感性需求的電動輪椅產(chǎn)品設(shè)計。崔宜若等[7]通過語義差異法實驗和模糊評價法，基于感性意象與設(shè)計要素的聯(lián)系，設(shè)計出2個微型電動車計劃方案，并篩選出最優(yōu)方案。陳弈菲等[8]依照宋代國畫效果特點基于感性工學(xué)產(chǎn)品設(shè)計流程，進行了帶有宋代文化特征的旗袍款式設(shè)計研究。

人工神經(jīng)是通過模仿生物神經(jīng)網(wǎng)絡(luò)的機構(gòu)及功能來處理信息的系統(tǒng)[9]。BP神經(jīng)網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)的一種，在運用感性工學(xué)設(shè)計產(chǎn)品過程中，通常被用來建立產(chǎn)品設(shè)計要素與用戶感性意象信息之間的映射關(guān)系，可以將用戶的感性需求精準地轉(zhuǎn)化為產(chǎn)品物理特征[10]。大量產(chǎn)品設(shè)計研發(fā)人員利用感性工學(xué)結(jié)合計算機建立的人工神經(jīng)網(wǎng)絡(luò)模型，完成了以用戶意象為導(dǎo)向的產(chǎn)品設(shè)計。

蘇建寧等[11]對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，建立了可以及時反映用戶情感意象評估的產(chǎn)品造型設(shè)計系統(tǒng)，并以高腳杯產(chǎn)品設(shè)計驗證了模型的合理性。張碩等[12]通過分析并建立壁掛式充電樁感性意象與形態(tài)設(shè)計要素對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)設(shè)計模型，得到不同用戶感性需求對應(yīng)的產(chǎn)品造型。李少波等[13]提出TFEPA方法結(jié)合BP神經(jīng)網(wǎng)絡(luò)，成功提取出用戶對智能電子設(shè)備評價的感性詞匯，并準確模擬預(yù)測出消費者的感性意象。朱彥[14]應(yīng)用主成分分析法、形態(tài)分析法結(jié)合BP神經(jīng)網(wǎng)絡(luò)對家庭服務(wù)機器人整體造型設(shè)計要素與感性意象進行了量化分析，并完成了感性意象“親和的”產(chǎn)品造型預(yù)測。李陽等[15]基于語義差異法、產(chǎn)品解構(gòu)法及BP神經(jīng)網(wǎng)絡(luò)，建立了一種符合用戶感性需求木制民居個性化定制方法，并通過苗族傳統(tǒng)木制民居的個性化設(shè)計實例，驗證方法的可行性。

通過感性工學(xué)結(jié)合BP神經(jīng)網(wǎng)絡(luò)的方法用以完成設(shè)計產(chǎn)品研發(fā)已取得了很大成功，但目前此方法在家具產(chǎn)品，尤其在茶幾產(chǎn)品設(shè)計研發(fā)領(lǐng)域的應(yīng)用尚屬空白，因此通過訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，建立用戶感性意象和茶幾產(chǎn)品設(shè)計要素二者的聯(lián)系，預(yù)測出符合用戶需求的產(chǎn)品模型方法，并應(yīng)用于多功能茶幾產(chǎn)品個性化設(shè)計領(lǐng)域十分迫切。

1 多功能茶幾個性化設(shè)計研究框架

收集多功能茶幾產(chǎn)品相關(guān)感性詞匯，根據(jù)聚類分析法及因子分析法篩選出代表感性詞匯，并作為多功能茶幾產(chǎn)品的評價量尺。篩選出多功能茶幾代表樣本庫，運用形態(tài)拆解法[16]對代表樣本產(chǎn)品的組成部件進行解構(gòu)，提取茶幾產(chǎn)品的代表設(shè)計元素，建立設(shè)計元素形態(tài)模塊空間，并編碼各元素模塊。利用15個代表樣本進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，建立茶幾產(chǎn)品設(shè)計要素編碼與感性詞匯評價數(shù)值量之間的映射關(guān)系，選用5個新代表樣本驗證BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型的性能。根據(jù)訓(xùn)練成熟模型對茶幾產(chǎn)品形態(tài)設(shè)計要素模塊進行重組匹配，預(yù)測出符合用戶感性需求的茶幾模型，完成多功能茶幾產(chǎn)品的個性化設(shè)計，多功能茶幾產(chǎn)品個性化設(shè)計流程如圖1所示。

圖1 多功能茶幾產(chǎn)品個性化設(shè)計流程

2 多功能茶幾產(chǎn)品的意象感性分析

2.1 樣本與感性詞匯的選取

以現(xiàn)代化多功能茶幾為研究對象，通過網(wǎng)站查尋、文獻整理、市場實際考察，收集并梳理出20款具有不同功能代表性的茶幾樣本，根據(jù)設(shè)計要求及產(chǎn)品尺寸數(shù)據(jù)建立產(chǎn)品模型，高度還原產(chǎn)品造型，部分產(chǎn)品三維模型如圖2所示，為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及性能驗證研究提供輸入層元素。

通過多功能茶幾產(chǎn)品評價網(wǎng)站、文獻期刊、用戶訪談搜集到89組多功能茶幾產(chǎn)品造型意象評價感性形容詞，運用KJ法與德爾菲法篩選出8組表達性強的感性詞匯，分別為：老套的—新穎的、裝飾的—實用的、古樸的—時尚的、煩瑣的—簡潔的、庸俗的—高雅的、傳統(tǒng)的—現(xiàn)代的、普遍的—獨特的、突兀的—協(xié)調(diào)的。

圖2 多功能茶幾產(chǎn)品實體照片及三維模型

通過語義差異法，針對目標用戶建立問卷調(diào)查表，根據(jù)8組感性詞匯建立七階量尺，量度1—7表示產(chǎn)品意象感性程度的逐級增強，邀請30位多功能茶幾消費者代表對20個產(chǎn)品樣本進行評測，部分被測產(chǎn)品樣本問卷調(diào)查樣圖如圖3所示。用戶對“老套的—新穎的”這一量尺的評分為“1”代表其對被測產(chǎn)品感性表達趨向“老套的”，評分為“4”代表用戶的感性表達趨向中立，評分為“7”代表其對被測產(chǎn)品感性表達趨向“新穎的”。將被測者對產(chǎn)品樣本評價結(jié)果數(shù)據(jù)進行平均值處理，處理結(jié)果表示不同用戶對被測產(chǎn)品的整體感性意象程度。

圖3 茶幾產(chǎn)品樣本1感性詞對7階調(diào)查尺度圖

將被測者對產(chǎn)品的感性評價平均數(shù)值導(dǎo)入SPSS軟件進行因子分析，將8對不同感性詞對評價數(shù)值變量按照內(nèi)在相關(guān)性的強弱進行分類，根據(jù)分析各組數(shù)據(jù)變量得出的特征值和方差貢獻度，提取出相關(guān)因子，篩選出每組類別的代表數(shù)值，實現(xiàn)以最少感性評價值解釋全部產(chǎn)品的感性評價值。

由圖4可以看出，圖中折線在第4個點之前，兩點間連線坡度陡峭，第4個拐點后折線線形坡度變緩，趨于平穩(wěn)，前3個因子的特征值明顯高于后5個。因此，說明前3個因子的重要程度較高，為主要因子。

建立成分矩陣并得到旋轉(zhuǎn)后的成分矩陣，保留重要的載荷量，使數(shù)值變量與因素間的關(guān)系更清晰，結(jié)果如表1所示，表明了3個重要因子對8組數(shù)據(jù)變量影響程度的占比系數(shù)，同時也顯示出其他各因素與數(shù)據(jù)變量之間的數(shù)值關(guān)系。

圖4 感性成分因子提取碎石圖

根據(jù)旋轉(zhuǎn)后的因子點繪制感性詞對散點載荷圖（見圖5），其表明了3個因子與8組感性評價數(shù)值變量間的關(guān)系。通過散點圖可以看到因子的空間分布趨于3類，說明8組感性詞對可分為3類，“老套的—新穎的”“裝飾的—實用的”“突兀的—協(xié)調(diào)的”3組詞對可代表各自類別的全部感性詞對，并適合作為多功能茶幾產(chǎn)品的測評量尺。

表1 旋轉(zhuǎn)后成分矩陣

Tab.1 Composition matrix after rotation

圖5 感性詞對散點載荷圖

2.2 茶幾產(chǎn)品設(shè)計要素模塊編碼

“形式”和“功能”是產(chǎn)品設(shè)計要傳遞出的基本核心內(nèi)容，根據(jù)茶幾產(chǎn)品形式與功能的要求特點，影響茶幾產(chǎn)品造型的設(shè)計要素主要有色彩、形態(tài)、材質(zhì)要素，其中色彩、材質(zhì)等設(shè)計元素的展現(xiàn)需要依托于形態(tài)設(shè)計要素，形態(tài)設(shè)計要素表現(xiàn)形式為產(chǎn)品的組成結(jié)構(gòu)，同時，產(chǎn)品的組成結(jié)構(gòu)可以直觀地顯示出產(chǎn)品的色彩、材質(zhì)，因此本文以產(chǎn)品形態(tài)設(shè)計要素為研究對象。茶幾產(chǎn)品的主要組形態(tài)設(shè)計要素包括5個部分，即桌面結(jié)構(gòu)、儲物格結(jié)構(gòu)、底板支撐結(jié)構(gòu)、副桌板結(jié)構(gòu)、連桿結(jié)構(gòu)。運用形態(tài)拆解法[16]將茶幾產(chǎn)品按5個主要形態(tài)設(shè)計要素結(jié)構(gòu)進行解構(gòu)，模塊化形態(tài)設(shè)計要素，并通過模塊之間的不同組合匹配，設(shè)計出個性化、多元化多功能的茶幾產(chǎn)品，滿足用戶對產(chǎn)品個性化的消費需求。

3 建立并驗證茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是具有自我學(xué)習(xí)調(diào)節(jié)能力的多層反饋神經(jīng)網(wǎng)絡(luò)，輸入信號值由輸入層向前傳播，經(jīng)過隱藏層“激活”后，傳播到輸出層得到輸出值，根據(jù)預(yù)測輸出值與實際輸出值建立誤差函數(shù)，為找到誤差函數(shù)的最小值，將誤差反向傳播，由輸出層傳播到隱藏層，最終傳播回輸入層，依次反復(fù)調(diào)整隱藏層與輸入層的權(quán)重與偏置值，最后得到誤差值滿足要求時的參數(shù)，多功能茶幾BP神經(jīng)網(wǎng)絡(luò)運行模型如圖6所示。

圖6 多功能茶幾BP神經(jīng)網(wǎng)絡(luò)運行模型

3.2 茶幾產(chǎn)品BP神經(jīng)模型的建立

BP神經(jīng)網(wǎng)絡(luò)模型的建立是茶幾產(chǎn)品個性化設(shè)計的關(guān)鍵，其可以建立茶幾產(chǎn)品設(shè)計要素與感性詞匯評價數(shù)之間的映射關(guān)系。

3.2.1 輸入層指標確定

茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)輸入層指標為其產(chǎn)品形態(tài)設(shè)計要素模塊，BP神經(jīng)網(wǎng)絡(luò)無法直接識別形態(tài)模塊，因此需要將模塊參數(shù)化。對茶幾產(chǎn)品各形態(tài)設(shè)計要素進行編碼處理以實現(xiàn)模塊的參數(shù)化，根據(jù)表2，將茶幾產(chǎn)品主要設(shè)計要素結(jié)構(gòu)的各代表造型，按其排列順序進行數(shù)字編碼。

例如，茶幾產(chǎn)品樣本一中5個主要形態(tài)設(shè)計要素下對應(yīng)的代表造型編號分別為5、6、1、4、1。根據(jù)此編碼方式對其他茶幾產(chǎn)品樣本進行參數(shù)化編碼，以此作為神經(jīng)網(wǎng)絡(luò)的輸入指標。

表2 形態(tài)設(shè)計要素解構(gòu)編碼

Tab.2 Morphological design elements are deconstructed and coded

3.2.2 BP神經(jīng)網(wǎng)絡(luò)的節(jié)點數(shù)目確定

茶幾產(chǎn)品主要由桌面結(jié)構(gòu)、儲物格結(jié)構(gòu)、底板支撐結(jié)構(gòu)、副桌板結(jié)構(gòu)、連桿結(jié)構(gòu)形態(tài)設(shè)計要素模塊組成，此5個模塊作為神經(jīng)網(wǎng)絡(luò)模型輸入層指標，因此輸入層神經(jīng)元節(jié)點設(shè)為5個。“老套的—新穎的”“裝飾的—實用的”“突兀的—協(xié)調(diào)的”3組感性意象詞匯量化數(shù)值為神經(jīng)網(wǎng)絡(luò)模型輸出層的指標，因此，輸出層神經(jīng)元個數(shù)為3個。隱藏層個數(shù)根據(jù)公式（1）計算獲得。

式中，代表隱藏層神經(jīng)元個數(shù)，代表輸入層神經(jīng)元個數(shù)，代表輸出層神經(jīng)元個數(shù)。根據(jù)式（1）對隱藏層神經(jīng)元個數(shù)的計算結(jié)果精確度進行近似取整，可知此茶幾產(chǎn)品神經(jīng)網(wǎng)絡(luò)模型隱藏層神經(jīng)元個數(shù)為4個，以此提供給神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。

3.2.3 指標歸一化處理

神經(jīng)網(wǎng)絡(luò)預(yù)測前需完成數(shù)據(jù)歸一化處理，以便消除輸入、輸出層不同特征數(shù)據(jù)之間的量級差別，合理解決好由于量級差別較大而造成的網(wǎng)絡(luò)預(yù)測誤差較大的問題[17]。采用min-max標準化法對輸入、輸出層指標實行歸一化，其表達式如式（2），i為指標的第個數(shù)值指標，max為指標的最大值，min為指標的最小值。歸一化處理的結(jié)果如表3所示。

表3 設(shè)計要素編碼及感性值歸一化結(jié)果

Tab.3 Coding of design elements and normalization of perceptual values

續(xù)表3

3.2.4 訓(xùn)練茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)模型

通過Matlab編程軟件建立BP神經(jīng)網(wǎng)絡(luò)，將代表樣本主要設(shè)計要素編碼數(shù)據(jù)導(dǎo)入輸入層，隱藏層中采用正切S型作為激活函數(shù)，輸出層函數(shù)采用Purelin線性函數(shù)。

設(shè)定茶幾產(chǎn)品神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)約束在10 000次以內(nèi)，實際目標值與預(yù)測值誤差為0.001。將前15個樣本部件編碼數(shù)據(jù)及感性詞匯評價值作為訓(xùn)練數(shù)據(jù)集，對茶幾產(chǎn)品進行訓(xùn)練。將其余5個代表樣本的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)性能的檢驗集。訓(xùn)練茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練次數(shù)達42次時，完成訓(xùn)練目標，停止訓(xùn)練，訓(xùn)練次數(shù)如圖7所示。

3.2.5 茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)的性能檢驗

已建立的BP神經(jīng)網(wǎng)絡(luò)需要進行性能檢驗，以證明其功能合理性。將待驗證的5個樣本的主要設(shè)計要素編碼作為輸入指標，導(dǎo)入已建立的茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)，得到輸出層指標數(shù)值，并計算輸出數(shù)值與實際感性意象評價值的真實相對誤差。由圖7可知，真實相對誤差值近似為1%，為證明茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)預(yù)測的可靠性，需保證輸出層數(shù)據(jù)與實際數(shù)據(jù)的真實誤差值在1%以下。根據(jù)測試結(jié)果顯示，建立的茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度較好，可靠性強，見表4。

圖7 多功能茶幾神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

表4 預(yù)測對比結(jié)果

Tab.4 Forecast comparison results

3.3 基于BP神經(jīng)網(wǎng)絡(luò)的茶幾產(chǎn)品個性化設(shè)計

圖8 個性化多功能茶幾設(shè)計結(jié)果

3.4 個性化產(chǎn)品感性設(shè)計檢驗

通過前期的問卷調(diào)查、茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到滿足消費者感性意象的茶幾產(chǎn)品。為了證明建立的BP神經(jīng)網(wǎng)絡(luò)個性化設(shè)計茶幾產(chǎn)品的準確性，采用二次問卷調(diào)查的方式進行驗證。邀請30位茶幾產(chǎn)品消費者進行問卷測試，針對3項個性化樣本，基于“老套的—新穎的”“裝飾的—實用的”“突兀的—協(xié)調(diào)的”3組感性意象詞匯進行感性量度評價，感性量尺同樣為7階李克特量表，對問卷數(shù)據(jù)進行均值處理。實驗數(shù)據(jù)結(jié)果顯示，問卷結(jié)果數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)輸出層數(shù)值的比值相關(guān)系數(shù)均為0.9～1.0，表明根據(jù)茶幾BP神經(jīng)網(wǎng)絡(luò)所設(shè)計的個性化產(chǎn)品可滿足用戶個人的感性需求。

4 結(jié)語

多功能茶幾產(chǎn)品是人們生活中常用的家居用品，根據(jù)用戶的個人需求不同、使用場景不同，茶幾產(chǎn)品的使用功能需要豐富、多樣化，茶幾產(chǎn)品的個性化設(shè)計尤為重要。感性工學(xué)是工學(xué)的分支，將感性轉(zhuǎn)譯到工學(xué)中，將感性分析結(jié)果轉(zhuǎn)化為物理設(shè)計要素，依據(jù)用戶的喜好來設(shè)計產(chǎn)品。BP神經(jīng)網(wǎng)絡(luò)具有強大的自學(xué)習(xí)能力與自適應(yīng)能力。本文將感性工學(xué)與BP神經(jīng)網(wǎng)絡(luò)有效結(jié)合，完成了基于用戶個人市場需求的多功能茶幾產(chǎn)品個性化設(shè)計。首先，基于感性工學(xué)，收集并篩選感性詞匯，確定對茶幾產(chǎn)品影響最大的3組感性詞匯。其次，將多功能茶幾產(chǎn)品根據(jù)主要設(shè)計形態(tài)元素進行拆分解構(gòu)，并對各組成部分進行數(shù)值化編碼。然后，將數(shù)值化編碼與感性評價值作為茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層指標，訓(xùn)練此神經(jīng)網(wǎng)絡(luò)并驗證模型的可靠性。最后，通過茶幾產(chǎn)品BP神經(jīng)網(wǎng)絡(luò)模型精準的預(yù)測性，完成了目標方案設(shè)計。

感性工學(xué)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的茶幾產(chǎn)品設(shè)計方法，解決了家具設(shè)計師無法準確按照用戶需求完成產(chǎn)品設(shè)計的難題，減少了家具設(shè)計師面對成熟產(chǎn)品設(shè)計靈感匱乏的困擾，為消費者及茶幾產(chǎn)品設(shè)計師提供了服務(wù)，為多功能茶幾產(chǎn)品及相關(guān)產(chǎn)品的設(shè)計與研發(fā)，提供了指導(dǎo)與參考。

[1] 劉青青, 徐偉, 詹先旭. 基于榫卯結(jié)構(gòu)的可拆裝茶幾設(shè)計[J]. 家具, 2020, 41(5): 63-66.

LIU Qing-qing, XU Wei, ZHAN Xian-xu. Research on the Design of Detachable Tea Table Based on Mortise and Tenon Joint[J]. Furniture, 2020, 41(5): 63-66.

[2] NAGAMACHI M. Kansei Engineering: A New Ergonomic Consumer-Oriented Technology for Product Development[J]. International Journal of Industrial Ergonomics, 1995, 15(1): 3-11.

[3] 林麗, 張云鹍, 牛亞峰, 等. 基于網(wǎng)絡(luò)評價數(shù)據(jù)的產(chǎn)品感性意象無偏差設(shè)計方法[J]. 東南大學(xué)學(xué)報(自然科學(xué)版), 2020, 50(1): 26-32.

LIN Li, ZHANG Yun-kun, NIU Ya-feng, et al. Unbiased Design Method for Product Kansei Image Design Based on Network Evaluation Data[J]. Journal of Southeast University (Natural Science Edition), 2020, 50(1): 26-32.

[4] 程永勝, 徐驍琪, 陳國強. 基于品牌意象的游艇造型設(shè)計方法[J]. 中國艦船研究, 2020, 15(5): 63-68, 89.

CHENG Yong-sheng, XU Xiao-qi, CHEN Guo-qiang. Yacht Modeling Design Method Based on Brand Image[J]. Chinese Journal of Ship Research, 2020, 15(5): 63-68, 89.

[5] 王飛, 戚彬, 印祥, 等. 基于感性工學(xué)的拖拉機造型設(shè)計研究[J]. 中國農(nóng)機化學(xué)報, 2020, 41(11): 83-88.

WANG Fei, QI Bin, YIN Xiang, et al. Research on Tractor Modeling Design Based on Kansei Engineering[J]. Journal of Chinese Agricultural Mechanization, 2020, 41(11): 83-88.

[6] 曹玫梅, 馮乙, 宋林書, 等. 基于感性意向的電動輪椅造型設(shè)計[J]. 機械設(shè)計與研究, 2020, 36(3): 158- 160.

CAO Mei-mei, FENG Yi, SONG Lin-shu, et al. Research on Emotionalized Electric Wheelchair Model Design[J]. Machine Design ＆ Research, 2020, 36(3): 158-160.

[7] 崔宜若, 申晉憲, 尹歡. 基于感性工學(xué)的微型電動車前臉造型設(shè)計[J]. 太原理工大學(xué)學(xué)報, 2020, 51(3): 471-477.

CUI Yi-ruo, SHEN Jin-xian, YIN Huan. Front Face Modeling Design of Mini Electric Vehicle Based on Kansei Engineering[J]. Journal of Taiyuan University of Technology, 2020, 51(3): 471-477.

[8] 陳弈菲, 劉馳. 宋代國畫圖案在旗袍設(shè)計中的感性工學(xué)應(yīng)用[J]. 毛紡科技, 2021, 49(3): 47-53.

CHEN Yi-fei, LIU Chi. Kansei Engineering Application of the Chinese Painting Pattern in Song Dynasty in the Design of Cheongsam[J]. Wool Textile Journal, 2021, 49(3): 47-53.

[9] 郭田德, 韓叢英. 人工智能機理解釋與數(shù)學(xué)方法探討[J]. 中國科學(xué): 數(shù)學(xué), 2020, 50(11): 1541-1578.

GUO Tian-de, HAN Cong-ying. Artificial Intelligence Mechanism and Mathematics Implementation Methods[J]. Scientia Sinica (Mathematica), 2020, 50(11): 1541-1578.

[10] 李永鋒, 朱麗萍. 基于序次Logistic回歸的產(chǎn)品意象造型設(shè)計研究[J]. 機械設(shè)計, 2011, 28(7): 8-12.

LI Yong-feng, ZHU Li-ping. Research on Product Image Form Design Based on Ordinal Logistic Regression[J]. Journal of Machine Design, 2011, 28(7): 8-12.

[11] 蘇建寧, 范躍飛, 張書濤, 等. 基于感性工學(xué)和神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計[J]. 蘭州理工大學(xué)學(xué)報, 2011, 37(4): 47-50.

SU Jian-ning, FAN Yue-fei, ZHANG Shu-tao, et al. Product Form Design Based on Kansei Engineering and Neural Network[J]. Journal of Lanzhou University of Technology, 2011, 37(4): 47-50.

[12] 張碩, 吳儉濤. 基于BP神經(jīng)網(wǎng)絡(luò)的壁掛式充電樁產(chǎn)品形態(tài)研究[J]. 圖學(xué)學(xué)報, 2017, 38(6): 865-868.

ZHANG Shuo, WU Jian-tao. Research on Form of Wall Set Charging Pile Base on BP Neural Network[J]. Journal of Graphics, 2017, 38(6): 865-868.

[13] 李少波, 全華鳳, 胡建軍, 等. 基于在線評論數(shù)據(jù)驅(qū)動的產(chǎn)品感性評價方法[J]. 計算機集成制造系統(tǒng), 2018, 24(3): 752-762.

LI Shao-bo, QUAN Hua-feng, HU Jian-jun, et al. Perceptual Evaluation Method of Products Based on Online Reviews Data Driven[J]. Computer Integrated Manufacturing Systems, 2018, 24(3): 752-762.

[14] 朱彥. 家庭服務(wù)機器人整體造型感性設(shè)計的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用[J]. 包裝工程, 2018, 39(4): 151-154.

ZHU Yan. BP Neural Network for the Overall Shape Perceptual Design of Home Service Robots[J]. Packaging Engineering, 2018, 39(4): 151-154.

[15] 李陽, 呂健, 劉翔, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的木制民居個性化定制[J]. 計算機工程與設(shè)計, 2020, 41(8): 2374-2380.

LI Yang, LYU Jian, LIU Xiang, et al. Personalization of Wooden Houses Based on BP Neural Network[J]. Com-puter Engineering and Design, 2020, 41(8): 2374-2380.

[16] 李永鋒, 朱麗萍. 基于神經(jīng)網(wǎng)絡(luò)的產(chǎn)品意象造型設(shè)計研究[J]. 包裝工程, 2009, 30(7): 88-90.

LI Yong-feng, ZHU Li-ping. Research on Product Image Form Design Based on Neural Network[J]. Packaging Engineering, 2009, 30(7): 88-90.

[17] 查劉根, 謝春萍. 應(yīng)用四層BP神經(jīng)網(wǎng)絡(luò)的棉紗成紗質(zhì)量預(yù)測[J]. 紡織學(xué)報, 2019, 40(1): 52-56.

ZHA Liu-gen, XIE Chun-ping. Prediction of Cotton Yarn Quality Based on Four-Layer BP Neural Network[J]. Journal of Textile Research, 2019, 40(1): 52-56.

Personalized Multifunctional Tea Table Design Based on BP Neural Network

CHEN Shu-xin1, LI Jing-yu1, ZHANG Hong-bin1, ZHANG Hui2

(1. College of Mechanical and Electrical Engineering, Qiqihar University, Heilongjiang Qiqihar 161006, China; 2. College of Computer and Control Engineering, Qiqihar University, Heilongjiang Qiqihar 161006, China)

By analyzing the consumer's perceptual demand and the design elements of the multifunctional tea table product form, the paper aims to establish the regression relationship model between the two to complete the personalized design of the multifunctional tea table product and solve the problem that the tea table product cannot be designed and manufactured according to the user's consumption demand. Firstly, semantic differential method is used for consumer products for tea table perceptual image value, and the factor analysis is used to summarize the value of sorting. Secondly, according to the product design elements on the tea table module deconstruction, and each part of the module is numerically coded. And BP neural network of tea table products is trained according to the perceptual image evaluation value and module value, and the mapping relationship between them is established. Finally, the accuracy of the BP neural network is verified by the questionnaire experiment with the second semantic difference method. According to the BP neural network of tea table products trained, the model of tea table products with the highest perceptual evaluation value can be predicted. The accuracy of BP neural network model of tea table products is verified by the experimental results of the second semantic difference method, which provides favorable support for the personalized design of tea table products. This method improves the design efficiency and rationality of coffee table products, solves the problem that furniture designers cannot accurately complete objective product design according to users' subjective needs, and provides beneficial reference and guidance for product design and manufacturing based on consumer demand and market.

product personalized design; Kansei Engineering; BP neural network; factor analysis; multifunctional coffee table

TB472

A

1001-3563(2022)18-0247-08

10.19554/j.cnki.1001-3563.2022.18.029

2022–04–08

國家自然科學(xué)基金聯(lián)合項目（U2031142）；黑龍江省農(nóng)業(yè)多維傳感器信息感知工程技術(shù)研究中心開放課題項目（DWCGQKF202107）

陳淑鑫（1978—），女，博士生，主要研究方向為數(shù)據(jù)科學(xué)與圖像分析設(shè)計。

責任編輯：馬夢遙